写在前面

作为一名生物信息学 PhD，这三年来最常被师弟师妹们问到的问题就是：

“学长，有什么好的生信学习资源推荐吗？” “AlphaFold 怎么用啊？” “哪个大模型适合写代码？” “R 和 Python 用什么 IDE 比较好？”

每次都要翻聊天记录找链接，实在太麻烦了。于是，我决定把这些年收藏的优质资源系统性地整理出来，做成一个完整的资源导航页面。

今天就把这份清单分享给大家。全文 7000+ 字，建议先收藏再看！

为什么要做这个清单？

说实话，生物信息学的学习曲线真的很陡峭：

  • 生物学背景的同学，编程是拦路虎
  • 计算机背景的同学，生物知识是天书
  • 两边都懂一点的，不知道从哪里开始系统学习

市面上的资源虽然很多，但良莠不齐。我见过太多人因为找不到合适的资源，在入门阶段就放弃了。

所以这个清单的目标很明确：

✅ 只收录真正有价值的资源 ✅ 覆盖从入门到进阶的完整路径 ✅ 紧跟最新技术发展（尤其是 AI 工具）

📋 清单概览

这份清单包含 13 个主题板块，190+ 个精选资源，涵盖：

板块 资源数 适合人群
🔬 基本资源 15+ 所有人
📚 生物信息学资源 20+ 入门&进阶
🏛️ 研究机构与大型项目 18+ 科研工作者
🛠️ 工具与教程 12+ 实践者
🧬 AI 生物学工具 25+ 前沿研究者
🤖 AI 大语言模型 40+ 效率提升
📊 可视化工具 5+ 数据分析
💻 数据分析工具 25+ 日常开发
🎓 课程与视频 5+ 系统学习

完整清单在这里 👉 资源导航页面

下面我挑几个最值得关注的板块详细说说。

🧬 重点板块一：AI 生物学工具

这是 2024-2026 年变化最大的领域！不夸张地说，AI 正在重新定义生物学研究。

1. 蛋白质结构预测 - 已经是基操了

还记得 2020 年 AlphaFold 2 横空出世的震撼吗？现在：

  • AlphaFold 3 - 最新版本，精度更高，速度更快
    • 数据库已经有 2 亿+ 蛋白质结构
    • 基本上你想要的蛋白，都能找到预测结构
  • RoseTTAFold - Baker Lab 出品，开源实现
    • 在某些蛋白质家族上比 AlphaFold 还准
  • ESMFold - Meta 出品，最快
    • 宏基因组蛋白结构图谱达到 6 亿+
    • 适合大规模筛选

实用建议：现在做蛋白相关研究，第一步就是去 AlphaFold Database 查结构。实验验证之前先预测一下，能省好多时间和经费！

2. 蛋白质设计 - 从预测到创造

更激进的是，AI 现在不只能预测结构，还能从头设计蛋白质：

这个方向太火了，已经有好几个 Biotech 公司拿到巨额融资。未来的药物设计，可能不需要从自然界筛选，而是直接 AI 生成。

3. 分子对接 - 药物发现的加速器

  • DiffDock - 扩散模型做分子对接
    • 比传统方法快 100 倍
    • 精度还更高

我的观察：传统的虚拟筛选管线正在被 AI 快速替代。如果你做药物发现，不学这些工具就真的落伍了。

🤖 重点板块二：AI 大语言模型

大模型不只是聊天工具，用对了能让科研效率翻倍！

1. 通用大模型 - 日常必备

这块变化太快，不要死记具体版本号。更实用的方式是按场景选模型：

  • ChatGPT - 综合能力稳定，适合头脑风暴、数据分析思路整理、图表草稿和通用问答
  • Claude - 长文本、写作润色、代码解释和重构依然很强
    • 我现在处理论文初稿、审稿意见和大段方法部分，还是更常用 Claude
  • Gemini - 多模态能力突出，适合处理 PDF、截图、图表和网页信息

国内常用：

  • Kimi - 中文长文本体验很好，适合快速梳理论文和网页资料
  • DeepSeek - 推理和代码性价比很高，适合脚本、小工具和 debug
  • 通义 / 豆包 - 中文交互顺手，做轻量问答、改写和内容整理很方便

实用技巧：

  • 写代码和 debug：优先 Claude、DeepSeek，再配合 Cursor
  • 读长文献、看补充材料：优先 Kimi 或 Claude
  • 处理图表、截图、网页和 PDF：优先 Gemini 或 ChatGPT
  • 最终写进论文或汇报前，一定回到原文献和原始数据做核对

2. 生物医学专用模型 - 专业问题找专家

  • MedGemma - Google DeepMind 的开放医学模型系列，适合做医学文本和影像相关探索
  • Med-Gemini - 医学多模态方向很强，代表了近两年医疗大模型的发展趋势
  • GeneGPT - 把大模型和 NCBI 工具调用结合起来，查基因时很有启发性
  • BioGPT - 现在更像经典基线模型，做复现或教学了解可以看看

我的建议：生物医学专用模型很适合做第一轮探索，但在很多科研场景里，顶级通用模型 + 文献检索工具 + 你自己的专业判断，往往比单独依赖某个专用模型更稳。

3. AI 辅助工具 - 效率加倍器

  • Cursor - AI 代码编辑器
    • 强烈推荐！ 写代码效率至少提升 50%
    • 直接在编辑器里问 AI，不用来回切换
  • GitHub Copilot - AI 编程助手
    • 代码补全非常智能
    • 学生可以免费用
  • OpenClaw - 开源 AI Agent 框架，适合折腾自动化工作流
    • 更像“能调用工具的个人 AI 助手”，不只是聊天
    • 如果你想把文献整理、PDF 提取、消息通知、脚本执行串成一个半自动流程，它很值得关注
    • 但门槛比 Cursor/Copilot 高一些，更适合喜欢自己搭系统的同学
  • Consensus - AI 文献搜索
    • 输入问题，直接给你文献总结
    • 比自己翻 PubMed 快太多
  • Elicit - AI 研究助手
    • 帮你做系统性文献综述
    • 自动提取论文关键信息
    • 不过需要付费

真心话：如果你还在纯手工写代码、读文献，真的该试试这些工具了。工具用得好，下班下得早！

💻 重点板块三：数据分析工具链

工欲善其事，必先利其器。这个板块我花了很多心思整理。

1. IDE 选择 - 找到最适合你的

R 用户： - RStudio - 老牌IDE，功能完善 - Positron - Posit 新产品 - 同时支持 Python 和 R - 界面现代化，推荐尝鲜

Python 用户： - VS Code - 万能编辑器 - 轻量、插件丰富 - 我现在 80% 的代码都在 VS Code 写

  • PyCharm - 专业 Python IDE
    • 功能强大，但比较重
  • Jupyter Lab - 交互式分析
    • 数据探索必备
    • 出图特别方便

2. 包管理工具 - 依赖管理不再头疼

Python 环境： - uv - 新星工具！ - 用 Rust 写的，比 pip 快 10-100 倍 - 强烈推荐，真的快到飞起

  • Poetry - 现代化依赖管理
    • 比 pip + requirements.txt 好用太多
  • Conda - 跨语言包管理
    • 生信领域的标配

R 环境： - rig - R 版本管理 - 多版本 R 切换很方便

  • renv - 项目环境管理
    • 保证项目的可复现性

避坑经验：很多人遇到的 “我电脑上能跑，你电脑上不能跑” 问题，90% 是因为环境管理不当。学会用这些工具，能省无数时间！

📚 重点板块四：学习路径推荐

资源虽好，但如何系统学习才是关键。根据我的经验：

新手路径（0-6 个月）

  1. 编程基础
    • Python：Rosalind - 生信编程练习，边玩边学
    • R：直接上手 Bioconductor，边用边学
  2. 生信基础
  3. 实战项目

进阶路径（6-18 个月）

  1. 深入特定方向
    • 单细胞：从 Seurat 入手
    • 蛋白质：学 AlphaFold 和分子对接
  2. 关注前沿动态
    • 定期看 bioRxiv 预印本
    • 关注几个大牛的 Twitter/X
  3. 参与开源项目
    • 去 GitHub 找感兴趣的项目贡献代码
    • 建立自己的作品集

高级路径（18 个月+）

  1. 发表研究
    • 找到细分领域的 gap
    • 开发自己的工具/算法
  2. 建立影响力
    • 写技术博客分享经验
    • 在社区里活跃

核心建议：不要囤积资源！ 选 2-3 个最适合你的，深入学习，比收藏 100 个资源更有用。

🏛️ 值得关注的研究机构

如果你想了解最前沿的研究，关注这些机构准没错：

国际顶尖机构

大型科研计划

实用建议：这些机构经常有公开的讲座和培训，可以关注他们的 YouTube 频道。

💡 我的使用心得

1. 建立自己的工具箱

不要什么都想学，根据你的研究方向，精选 10-15 个常用工具深度掌握。

我自己的常用工具箱：

  • IDE: VS Code + Jupyter Lab
  • 包管理: uv + Conda
  • 代码助手: Cursor + GitHub Copilot
  • 文献管理: Zotero
  • 大模型: Claude + Kimi + ChatGPT
  • 绘图: ggplot2 + BioRender

2. 善用 AI 提效

能让 AI 做的，就不要手工做：

  • 读文献 → 用 Consensus、Elicit 或 scite
  • 写代码 → 用 Cursor 或 Copilot
  • 画图/解释图表 → 用 BioRender、Gemini 或 ChatGPT
  • 润色文章 → 用 Claude

但记住：AI 是助手，不是替代品。 批判性思维永远不能丢。

3. 持续学习的节奏

不要试图一次性学完所有东西！ 建议：

  • 每周固定 1-2 个小时学新工具
  • 每月读 2-3 篇前沿论文
  • 每季度学一个新技能

关键是持续，而不是爆发。

📍 常见问题

Q1: 这么多资源，从哪里开始？

A: 根据你的目标选择： - 想快速上手 → 先看 工具与教程 板块 - 想系统学习 → 先看 课程与视频 板块 - 想了解前沿 → 先看 AI 生物学工具 板块

Q2: 免费资源够用吗？要不要付费？

A: 90% 的情况下免费资源就够了。 付费工具我只推荐： - GitHub Copilot（学生免费） - ChatGPT Plus（如果你高频使用）

其他的等你真正有需求了再考虑。

Q3: 英文不好怎么办？

A: 1. 优先用国内资源：生信技能树、生信菜鸟团的中文教程很全面 2. 借助翻译工具：DeepL 的翻译质量很高 3. 边用边学：实践中积累专业词汇，比死记硬背快

Q4: 资源会持续更新吗？

A: 会的！我会保持每月更新，添加新的优质资源。

完整清单在这里 👉 资源导航页面

写在最后

这份清单耗费了我大量心血，但如果能帮到一个人少走弯路，就值了。

生物信息学的学习之路很长，但不孤单。 我们都是在这条路上摸索前进的。

几句肺腑之言：

  1. 不要被资源的数量吓到 - 选择适合你的，深入学习
  2. 不要闭门造车 - 多参与社区讨论，分享你的经验
  3. 不要停止学习 - 这个领域变化太快，保持好奇心
  4. 不要忘记初心 - 我们做这些，是为了推动科学进步

🙏 致谢

这份清单的诞生离不开： - 生信社区的前辈们无私分享 - 师兄师姐们的经验传授 - 开源社区的贡献者们

如果你觉得有帮助，欢迎分享给更多人！

有任何建议或补充，欢迎在评论区留言，或者直接访问 资源导航页面 查看完整内容。

相关阅读： - 计算生物学成长路线图 （附路线图）

本文约 7000 字，阅读时间约 15 分钟 最后更新：2026-03-25 转载请注明出处